Docs
...
xgboosttreenode properties

propiedades de xgboosttreenode

Última actualización: 11 feb 2025
propiedades de xgboosttreenode

Icono de nodo de árbol XGBoostXGBoost Tree© es una implementación avanzada de un algoritmo de aumento de gradiente con un modelo de árbol como modelo base. Los algoritmos de aumento conocen de forma iterativa los clasificadores débiles y, a continuación, los añaden a un clasificador fuerte final. XGBoost Tree es muy flexible y proporciona muchos parámetros que pueden ser abrumadores para la mayoría de los usuarios, por lo que el nodo XGBoost Tree en SPSS Modeler expone las características principales y los parámetros de uso común. El nodo se implementa en Python.

Tabla 1. Propiedades de xgboosttreenode
Propiedades de xgboosttreenode Tipo de datos Descripción de la propiedad
custom_fields Boolean Esta opción permite indicar al nodo que use la información de campo especificada aquí en lugar de la proporcionada en nodos Tipo situados en cualquier punto anterior de la ruta. Después de seleccionar esta opción, especifique los campos según sea necesario.
target campo Campos objetivo.
inputs campo Campos de entrada.
tree_method serie Método de árbol para la generación de modelos. Los valores posibles son auto, exact o approx. El valor predeterminado es auto.
num_boost_round entero Valor de redondeo de aumento de número para la generación de modelos. Especifique un valor entre 1 y 1000. El valor predeterminado es 10.
max_depth entero Profundidad máxima para el crecimiento del árbol. Especifique un valor de 1 o superior. El valor predeterminado es 6.
min_child_weight Double Ponderación hijo mínima para el crecimiento del árbol. Especifique un valor de 0 o superior. El valor predeterminado es 1.
max_delta_step Double Paso delta máximo para el crecimiento del árbol. Especifique un valor de 0 o superior. El valor predeterminado es 0.
objective_type serie Tipo de objetivo para la tarea de aprendizaje. Los valores posibles son reg:linear, reg:logistic, reg:gamma, reg:tweedie,count:poisson,rank:pairwise, binary:logistic o multi. Tenga en cuenta que para los destinos de distintivo, sólo se puede utilizar binary:logistic o multi. Si se utiliza multi, el resultado de la puntuación mostrará los tipos de objetivo XGBoost multi:softmax y multi:softprob.
early_stopping Boolean Indica si debe utilizarse la función de detención temprana. El valor predeterminado es False.
early_stopping_rounds entero El error de validación debe disminuir al menos cada ronda de detención temprana para continuar el entrenamiento. El valor predeterminado es 10.
evaluation_data_ratio Double La proporción de datos de entrada utilizados para errores de validación. El valor predeterminado es 0.3.
random_seed entero Semilla de aleatorización. Cualquier número entre 0 y 9999999. El valor predeterminado es 0.
sample_size Double La submuestra para el sobreajuste de control. Especifique un valor entre 0.1 y 1.0. El valor predeterminado es 0.1.
eta Double Eta para el sobreajuste de control. Especifique un valor entre 0 y 1. El valor predeterminado es 0.3.
gamma Double Gamma para el sobreajuste de control. Especifique cualquier número 0 o superior. El valor predeterminado es 6.
col_sample_ratio Double Muestra de columna por árbol para el sobreajuste de control. Especifique un valor entre 0.01 y 1. El valor predeterminado es 1.
col_sample_level Double Muestra de columna por nivel para el sobreajuste de control. Especifique un valor entre 0.01 y 1. El valor predeterminado es 1.
lambda Double Lambda para el sobreajuste de control. Especifique cualquier número 0 o superior. El valor predeterminado es 1.
alpha Double Alfa para el sobreajuste de control. Especifique cualquier número 0 o superior. El valor predeterminado es 0.
scale_pos_weight Double Ponderación de posición de escala para manejar conjuntos de datos desequilibrados. El valor predeterminado es 1.
use_HPO